Møte om språkteknologi for meänkieli

Dato 1.3.23.

Elina, Lina, Marie, Gunnar, Rickhard, Trond, Baki, Jacob, …

Same møte tok også opp arli og resanderomska, sjå separate referat

Saker

• Dette har skjedd
• Planar framover, meänkieli
• Korpus

Dette har skjedd

Meänkielidagens seminarium om språkteknologi 27/2 i Stockholm (+online), Teknikken fungerte, alt gjekk bra, god pres

Meänkieli

Vi har en språkmodell med dekningsgrad ca. 82 %.

Prioritering för modellen framåt:

1. yaml-testarna: korrigera (ƒ och vänner)
2. Stamklassorna för substantiv, olika kasus + korrigera (affixes och phonology)
3. Ordförråd, lägga inn ord som fattas

Exempel på ord som “fattas”:

cat test/data/freebound.missing.freq230212.txt |grep mheen
   2 tuomioistuimheen -- ordet fattas
   2 nimheen -- ordet står i lexicon
   1 sukunimheen ordet står i lexidon
   1 lumheen -- ordet står i lexikon
   1 emättimheen  -- ordet fattas

echo nimi+N+Sg+Ill|hdfit
nimi+N+Sg+Ill    nimmheen    0,000000

m til mm kommer av gemination 0:m

"Gemination 0:m"
!! **RULE: @RULENAME@**
0:m <=> [.#.|#] Cns:* Vow m _  :a (Dummy:) %> (h) :a ;   ! [:a|i2:|%^V:] ;
        [.#.|#] Cns:* Vow m _ a:  (Dummy:) %> (h) :a :a ;  ! [:a|i2:|%^V:] ;
        [.#.|#] Cns:* Vow m _  :e (Dummy:) %> (h) :e ;
        [.#.|#] Cns:* Vow m _ e:  (Dummy:) %> h :e :e ;  ! <==== här är katastrofen
        [.#.|#] Cns:* Vow m _  :i (Dummy:) %> (h) :i ;
        [.#.|#] Cns:* Vow m _ i:  (Dummy:) %> h :i :i ;
        [.#.|#] Cns:* Vow m _ o   (Dummy:) %> (h) :o ;
        [.#.|#] Cns:* Vow m _ o:  %^HMETA: %> h :o :o ;
        [.#.|#] Cns:* Vow m _  :u (Dummy:) %> (h) :u ;
        [.#.|#] Cns:* Vow m _ u:  (Dummy:) %> h :u :u ;
        [.#.|#] Cns:* Vow m _  :y (Dummy:) %> (h) :y ;
        [.#.|#] Cns:* Vow m _ y:  (Dummy:) %> h :y :y ;
        [.#.|#] Cns:* Vow m _  :ä (Dummy:) %> (h) :ä ;
        [.#.|#] Cns:* Vow m _ ä:  (Dummy:) %> h :ä :ä ;
        [.#.|#] Cns:* Vow m _  :ö (Dummy:) %> (h) :ö ;
        [.#.|#] Cns:* Vow m _ ö:  (Dummy:) %> h :ö :ö ;

För dom här yamlfilerna:

ls test/src/gt-norm-yamls/|sort
N-3nensg-ade_gt-norm.yaml
N-nensg_ade_gt-norm.yaml
N-plade_gt-norm.yaml
N-plill_gt-norm.yaml
N-pline_gt-norm.yaml
N-sgess_gt-norm.yaml
N-sgill_gt-norm.yaml
N-sgine_gt-norm.yaml
N-sgpar_gt-norm.yaml
V-v1_antaa_gt-norm.yaml

Filene ser slik ut:

...
    afäärimies+N+Sg+Ill: afäärimieheen
    eusmies+N+Sg+Ill: eusmieheen
    frahtimies+N+Sg+Ill: frahtimieheen
    hakkomies+N+Sg+Ill: hakkomieheen
    ikämies+N+Sg+Ill: ikämieheen
...

Korpus

Prosedyrer

Vi kan bruke same prosedyre for fit, rmn og sju-x-sydlapska. Dei opne tekstane ligg på UiT sin svn-servar:

Det finst prosedyrer for dette:

CorpusTools

Mål: Alla minortetsspråkliga texter publisert på ISOF bör inn i korpus, egentligen också andre offentliga myndigheter. Corpustools har rutiner för att laga parallellkorpusar.

På ISOF ser Jacob på dette. Den som har laga corpustools ved UiT er Børre Gaup.

Upphavsrätt

Texter från offentliga myndigheter i öppna korpusen, fri licens. Andra texter (tex. skönlitteratur) har UiT ett system med kontrakter för. Det finns prosedyrer för parallelltext.

UiT-korpuset är på veg från svn til git, jf. den preliminära korpussidan på git (länkarna är inte operativ, men det kommer).

Framåt:

1. Trond diskuterer frågan om tilgang med Divvun-gruppa.
2. Deretter diskusjon med Divvun og Isof (Jacob) om korpus.

fit

fit: I dag har vi 475797 ord i korpus.